[发明专利]一种图像生成方法及装置

说明书

本发明涉及机器学习技术，提供一种图像生成方法及装置，用以提高样本图像的数据分布范围，该方法为：采用生成模型和判断模型相对抗的方式，不断使用判断模型识别出生成模型基于噪声数据生成的虚假样本图像，以促进生成模型逐步优化生成网络参数，从而一步步升级虚假样本图像，最终生成判断模型难以识别的虚假样本图像，这样，便可以采用最终训练获得的生成模型，基于噪声数据生成海量逼真的虚假样本图像，由于噪声数据可以涵盖各类实际应用场景，因此，最终生成的虚假样本图像可以满足数据分布范围需求，并且可以用于训练图像识别模型，进而能够有效扩展图像识别模型的应用范围，以及能够准确提升图像识别模型的图像识别精准度。

技术领域

本发明涉及机器学习技术，特别涉及一种图像生成方法及装置。

背景技术

目前，图像识别技术在智能家居领域已经得到了广泛的应用。通常情况下，为了提升图像识别精度，图像识别装置需要采集海量的样本图像，对图像识别模型进行训练。为了提高图像识别模型的识别精准度，往往需要拓展样本图像的覆盖范围，即对原始的样本图像进行各种变换，如，旋转、反射、翻转、缩放、平移、尺度变换、对比度变换、噪声扰动、颜色变化、区域性涂黑等等。

然而，采用现有方式对样本图像进行拓展，仅仅是在实验室环境中进行操作，其拓展结果还是不能满足实际应用的需求，即拓展后的样本图像的数据分布范围还是十分有限。很多实际应用环境中的场景还是无法涵盖，如，过度曝光、镜面反射等等。

因此，需要提供一种新的图像生成方法，以克服上述缺陷。

发明内容

本发明实施例提供一种图像生成方法及装置，用以提高样本图像的数据分布范围。

本发明实施例提供的具体技术方案如下：

一种图像生成方法，包括：

采集噪声数据，并循环执行以下操作，直至确定生成预测数值达到设定门限值为止：

从所述噪声数据中抽取采样噪声，通过生成网络对所述采样噪声进行反卷积操作，生成虚假样本图像；

采用判别模型计算所述虚假样本图像的生成预测数值，并基于所述生成预测数值和生成设定数值之间的生成概率值误差，生成所述生成模型对应的生成损失函数；

判断所述生成预测数值是否达到设定门限值？判断为否时，对所述生成模型的生成网络参数进行更新。

输出最新更新获得的生成模型，并通过所述生成模型，基于表征指定应用场景的噪声数据，生成相应的虚假样本图像。

可选的，在获取噪声数据之前，进一步包括：

采集样本图像生成相应的训练数据集合；

循环执行以下操作，直到确定判别概率值误差的取值是否为历史最低值，且判别准确率为历史最高值为止：

在所述训练数据集合中选取一个样本图像，采用判别模型对所述样本图像进行卷积操作，计算相应的判别预测数值；

计算所述样本图像对应的判别预测数值和判别真实数值之间的判别概率值误差，并根据判别概率值误差，计算所述判别模型对应的判别损失函数；

判断所述判别概率值误差的取值是否为历史最低值，且判别准确率为历史最高值，判断为否时，对所述判别模型的判别网络参数进行更新；

输出最新更新获得的判别模型。

可选的，根据判别概率值误差，计算所述判别模型对应的判别损失函数，包括：

获取当前生成的所述样本图像对应的判别预测数值和判别真实数值之间的判别概率值误差，所述样本图像为真实样本图像或虚假样本图像；